Τα μικρά γλωσσικά μοντέλα επιβάλλουν διαφοροποίηση σε ένα χαρτοφυλάκιο προσανατολισμένο στην τεχνητή νοημοσύνη (γραφήματα)

Σε πρόσφατο άρθρο μας είχαμε αναδείξει μια νέα, ανερχόμενη δύναμη στον χώρο της τεχνητής νοημοσύνης, τα μικρά γλωσσικά μοντέλα (Small Language Models – SLMs). Βασικό τους πλεονέκτημα είναι ότι μπορούν να λειτουργούν τοπικά, σε επιτραπέζιους υπολογιστές ή ακόμη και σε κινητά τηλέφωνα, με αισθητά χαμηλότερες ενεργειακές και υπολογιστικές απαιτήσεις. Η εξέλιξη αυτή δεν διευρύνει απλώς την πρόσβαση στις εφαρμογές τεχνητής νοημοσύνης. Μπορεί επίσης να προκαλέσει μια ουσιαστική μετατόπιση του επενδυτικού ενδιαφέροντος προς εταιρείες που βρίσκονται στην περίμετρο του οικοσυστήματος της AI, αλλά δεν συγκαταλέγονται στις δημοφιλείς επιλογές που κυριαρχούν σήμερα στις κορυφαίες θέσεις της παγκόσμιας κεφαλαιοποίησης.

Τα μέχρι στιγμής αποτελέσματα μιας συστηματικής έρευνας δείχνουν ότι η απόσταση μεταξύ των Μεγάλων και των Μικρών Γλωσσικών Μοντέλων έχει περιοριστεί αισθητά, αν και η σύγκλιση δεν είναι ομοιόμορφη σε όλους τους τομείς εφαρμογής. Εάν η τάση αυτή συνεχιστεί και επεκταθεί σε ολόκληρο το φάσμα των υπηρεσιών τεχνητής νοημοσύνης, τότε στο μέλλον ενδέχεται να χρειαζόμαστε πολύ λιγότερα data centers απ’ όσα θεωρούμε σήμερα απαραίτητα. Σε μια τέτοια περίπτωση, οι hyperscalers κινδυνεύουν να έχουν επενδύσει εκατοντάδες δισεκατομμύρια δολάρια σε υποδομές που δεν θα εξασφαλίσουν τις αναμενόμενες αποδόσεις.

Οι ερευνητές αξιολόγησαν περισσότερα από 20 σύγχρονα τοπικά γλωσσικά μοντέλα, μεταξύ των οποίων μοντέλα των οικογενειών Qwen 3, Gemma 3, GPT-OSS και IBM Granite 4.0. Πρόκειται για μοντέλα με έως 20 δισ. ενεργές παραμέτρους ανά υπολογιστικό πέρασμα, τα οποία μπορούν να λειτουργήσουν σε ισχυρούς προσωπικούς υπολογιστές και workstations. Οι επιδόσεις τους συγκρίθηκαν με εκείνες προηγμένων cloud-based μοντέλων, όπως τα GPT-5, Claude Sonnet 4.5 και Gemini 2.5 Pro. Συνολικά, η έρευνα κάλυψε περισσότερα από ένα εκατομμύριο ερωτήματα, περισσότερα από 20 μοντέλα και οκτώ διαφορετικούς επιταχυντές, εξετάζοντας τόσο την ακρίβεια όσο και την κατανάλωση ενέργειας, την καθυστέρηση απόκρισης και το υπολογιστικό κόστος. Τα SLMs εκτελέστηκαν τοπικά σε υπολογιστές εξοπλισμένους είτε με επεξεργαστές της Nvidia είτε με το Apple M4, δηλαδή με hardware που είναι ήδη διαθέσιμο στα σημερινά συστήματα υψηλών προδιαγραφών. Μάλιστα, η μελέτη ολοκληρώθηκε προτού η Nvidia παρουσιάσει το νέο AI chip της για προσωπικούς υπολογιστές, μια εξέλιξη που αναμένεται να επιταχύνει περαιτέρω τη μετατόπιση από τα data centers προς τα μοντέλα που λειτουργούν τοπικά σε επιτραπέζιους υπολογιστές.

Οι ερευνητές παρακολούθησαν την εξέλιξη των επιδόσεων των SLMs έναντι των LLMs από το 2023 έως τον Οκτώβριο του 2025, τόσο σε απλές συνομιλίες όσο και σε πιο απαιτητικές διεργασίες συλλογισμού. Το παρακάτω διάγραμμα παρουσιάζει το ποσοστό «νίκης ή ισοπαλίας» των SLMs έναντι των LLMs σε αιτήματα χρηστών, τα οποία εξακολουθούν να αποτελούν τη συντριπτική πλειονότητα των σημερινών χρήσεων. Όπως φαίνεται, σε κάθε επιμέρους τομέα, το καλύτερο SLM δίνει απαντήσεις ίσης ή ανώτερης ποιότητας από ένα LLM σε ποσοστό τουλάχιστον 90% των περιπτώσεων. Ο μέσος όρος σε όλους τους τομείς φτάνει το εντυπωσιακό 98,6%.

Ποσοστό νίκης ή ισοπαλίας των SLMs έναντι των LLMs σε αιτήματα χρηστών

Στις διεργασίες συλλογισμού, οι οποίες είναι σαφώς πιο απαιτητικές, τα SLMs εξακολουθούν να υπολείπονται, αλλά καλύπτουν με ταχύτητα τη διαφορά. Κατά μέσο όρο, δίνουν καλύτερη ή τουλάχιστον ισάξια απάντηση με τα LLMs στο 62,5% των περιπτώσεων. Οι αποκλίσεις, πάντως, παραμένουν μεγάλες μεταξύ των διαφορετικών τομέων. Η επίδοση των SLMs είναι ιδιαίτερα υψηλή σε κατηγορίες όπως η υποστήριξη υγειονομικής περίθαλψης και οι κατασκευές, αλλά αισθητά χαμηλότερη στην αρχιτεκτονική και τη μηχανική, στις επιστήμες ζωής, στις μεταφορές και στην πληροφορική.

Ποσοστό νίκης ή ισοπαλίας των SLMs έναντι των LLMs σε διεργασίες συλλογισμού

Στην πράξη, οι εφαρμογές τεχνητής νοημοσύνης συνδυάζουν συνήθως απλά συνομιλιακά αιτήματα με πιο σύνθετες εργασίες συλλογισμού. Για τον λόγο αυτό, το τρίτο διάγραμμα παρουσιάζει τον σταθμισμένο μέσο όρο των επιδόσεων, λαμβάνοντας υπόψη τη συχνότητα εμφάνισης κάθε τύπου εργασίας ανά τομέα. Σύμφωνα με αυτή τη μέτρηση, τα τοπικά μοντέλα έδωσαν εξίσου καλή ή καλύτερη απάντηση από τα cloud LLMs στο 81,2% των περιπτώσεων. Τα μεγάλα γλωσσικά μοντέλα διατηρούν ουσιαστικό πλεονέκτημα κυρίως στις πιο απαιτητικές τεχνικές κατηγορίες.

Ποσοστό νίκης ή ισοπαλίας των SLMs έναντι των LLMs σε εργασίες συνομιλιών και εργασίες συλλογισμού

Το πλεονέκτημα των SLMs, όμως, δεν περιορίζεται στην ακρίβεια. Επιτυγχάνουν αυτές τις επιδόσεις με κατανάλωση ενέργειας και υπολογιστικό κόστος χαμηλότερα κατά 50% έως 85% σε σχέση με τα LLMs, ανάλογα με το μοντέλο και το hardware που χρησιμοποιείται. Παράλληλα, τα μικρά γλωσσικά μοντέλα βελτιώνονται με εντυπωσιακή ταχύτητα στις εργασίες συλλογισμού. Το τελευταίο διάγραμμα παρουσιάζει την απόδοσή τους αποκλειστικά σε τέτοιες εργασίες, ανάλογα με τον βαθμό δυσκολίας και τη γενιά του μοντέλου.

Το 2023, το ποσοστό επιτυχίας των SLMs στις εργασίες συλλογισμού κυμαινόταν συνήθως γύρω στο 50% και στα πέντε επίπεδα δυσκολίας. Μέχρι τον Οκτώβριο του 2025, όμως, τα SLMs είχαν φτάσει σε ποσοστό επιτυχίας 99% στις ευκολότερες εργασίες των επιπέδων 1 και 2 και μεταξύ 85% και 92% στις δυσκολότερες εργασίες των επιπέδων 3 και 4. Υστερούσαν ουσιαστικά έναντι των LLMs μόνο στις απαιτητικότερες εργασίες του επιπέδου 5, όπου το ποσοστό επιτυχίας τους περιοριζόταν στο 51,5%.

Ποσοστά επιτυχίας των SLMs σε εργασίες συλλογισμού

Τα ευρήματα αυτά υποδηλώνουν ότι τα data centers και η πανάκριβη υποδομή προηγμένων ημιαγωγών μπορούν ήδη να υποκατασταθούν σε τέσσερις από τις πέντε περιπτώσεις χρήσης. Η μελέτη εκτιμά ότι η δυνητικά διεκδικήσιμη αγορά των SLMs στις ΗΠΑ έχει αυξηθεί περίπου στα 10 τρισ. δολάρια, ποσό που αντιστοιχεί περίπου στο ένα τρίτο του συνολικού αμερικανικού ΑΕΠ των 30 τρισ. δολαρίων.

Επομένως, δεν απομένει και τόσο μεγάλο πεδίο ανάπτυξης για τα LLMs — και κάθε χρόνο το συγκριτικό τους πλεονέκτημα έναντι των μικρότερων μοντέλων περιορίζεται. Υπάρχουν, ασφαλώς, τομείς στους οποίους τα LLMs εξακολουθούν να υπερέχουν σημαντικά. Αυτό ισχύει ιδιαίτερα στις εφαρμογές agentic AI, όπου τα SLMs εμφανίζουν προς το παρόν ακρίβεια και ποσοστά επιτυχίας χαμηλότερα του 50%.

Αντίστοιχα, παραμένει δύσκολη η αποτελεσματική λειτουργία αυτών των μοντέλων σε smartphones. Τα SLMs που μπορούν σήμερα να εκτελεστούν σε ένα iPhone είναι αισθητά υποδεέστερα από εκείνα που λειτουργούν σε έναν ισχυρό επιτραπέζιο υπολογιστή. Υπάρχει, όμως, μία ιδιαίτερα σημαντική παράμετρος: τόσο τα μοντέλα που λειτουργούν σε desktop υπολογιστές όσο —και ακόμη περισσότερο— εκείνα που εκτελούνται σε smartphones είναι πολύ πιο αποδοτικά ενεργειακά σε σύγκριση με τα μοντέλα που λειτουργούν στο cloud. Η υπολογιστική απόδοση ανά Watt των SLMs είναι συνήθως περίπου επτά φορές υψηλότερη από εκείνη των LLMs. Αυτό σημαίνει ότι, όταν μία εργασία μπορεί να εκτελεστεί σε έναν προσωπικό υπολογιστή ή σε μια κινητή συσκευή, είναι οικονομικότερο να διεκπεραιώνεται τοπικά αντί να αποστέλλεται σε ένα data center.

Οι κυριότερες επενδυτικές επιπτώσεις μπορούν να συνοψιστούν στα εξής:

Η ζήτηση για data centers δεν εξαφανίζεται, αλλά η σύνθεσή της μπορεί να αλλάξει. Η εκπαίδευση μοντέλων και οι σύνθετες εφαρμογές θα συνεχίσουν να απαιτούν ισχυρές κεντρικές υποδομές. Ωστόσο, η μεταφορά ενός σημαντικού μέρους του inference στις συσκευές μπορεί να περιορίσει τη μελλοντική ζήτηση για cloud υπολογιστική ισχύ σε σχέση με τις πιο αισιόδοξες προβλέψεις. Αυτό αυξάνει τον κίνδυνο χαμηλότερης αξιοποίησης ορισμένων επενδύσεων και ασθενέστερων αποδόσεων επί του κεφαλαίου.
Το μέλλον είναι πιθανότερο να είναι υβριδικό και όχι αποκλειστικά τοπικό ή αποκλειστικά cloud-based. Η αξία θα μετακινηθεί προς τις πλατφόρμες που μπορούν να αποφασίζουν αποτελεσματικά ποιο αίτημα πρέπει να εκτελεστεί στη συσκευή και ποιο πρέπει να μεταφερθεί στο cloud. Οι μηχανισμοί routing, η διαχείριση μοντέλων και η ενοποίηση hardware και software μπορούν να εξελιχθούν σε κρίσιμα σημεία του οικοσυστήματος.
Η αγορά ημιαγωγών διευρύνεται πέρα από τις κορυφαίες GPUs των data centers. Οι επενδύσεις στους προηγμένους επεξεργαστές θα παραμείνουν μεγάλες, αλλά ένα αυξανόμενο μέρος τους μπορεί να κατευθυνθεί σε NPUs, μνήμες υψηλής χωρητικότητας και ενεργειακά αποδοτικά chips για προσωπικούς υπολογιστές και φορητές συσκευές. Αυτό δημιουργεί χώρο για εταιρείες όπως η AMD, η Qualcomm, η Intel και η Apple, χωρίς να αναιρεί τη θέση της Nvidia, η οποία επιχειρεί να αναπτυχθεί ταυτόχρονα τόσο στα data centers όσο και στα συστήματα προσωπικής AI.
Οι κατασκευαστές προσωπικών υπολογιστών μπορούν να επωφεληθούν από έναν νέο κύκλο αναβάθμισης. Εάν η τοπική AI εξελιχθεί σε βασικό χαρακτηριστικό των υπολογιστών, η αυξημένη ζήτηση για περισσότερη μνήμη, ισχυρότερες GPUs και ενσωματωμένους AI accelerators μπορεί να στηρίξει έναν νέο κύκλο αντικατάστασης συσκευών. Εταιρείες όπως η Dell, η HP, η Lenovo και η Apple ενδέχεται να αποκτήσουν πιο ουσιαστικό ρόλο στην αλυσίδα αξίας της τεχνητής νοημοσύνης.
Τα περιθώρια κέρδους των μοντέλων πιθανόν να δεχθούν πίεση. Εταιρείες όπως η OpenAI και η Anthropic μπορούν να δημιουργήσουν μικρότερες εκδόσεις των μοντέλων τους και να τις διαθέσουν για τοπική χρήση. Ωστόσο, ο ισχυρός ανταγωνισμός από ανοικτά μοντέλα, όπως τα Qwen, GPT-OSS και Granite, μπορεί να περιορίσει την τιμολογιακή τους δύναμη και να πιέσει τα περιθώρια κέρδους. Αυτό θα πρέπει να ληφθεί υπόψη στις μελλοντικές αποτιμήσεις και στις πιθανές δημόσιες εγγραφές τους.
Οι κατασκευαστές hardware δεν είναι κατ’ ανάγκη οι μόνοι νικητές. Σημαντικό μέρος της αξίας μπορεί να δημιουργηθεί στις εταιρείες που αναπτύσσουν λειτουργικά συστήματα, εργαλεία ασφαλείας, λογισμικό διαχείρισης, εφαρμογές και μηχανισμούς δρομολόγησης για την τοπική AI.

Η άνοδος των μικρών γλωσσικών μοντέλων δεν σηματοδοτεί το τέλος των LLMs ή των data centers. Δείχνει, όμως, ότι το οικοσύστημα της τεχνητής νοημοσύνης μπορεί να εξελιχθεί πολύ διαφορετικά από το σημερινό, έντονα συγκεντρωτικό μοντέλο. Η πιθανότερη εξέλιξη είναι ένα υβριδικό περιβάλλον, στο οποίο οι απλές και συχνές εργασίες θα εκτελούνται τοπικά και οι σύνθετες θα παραμένουν στο cloud. Εάν αυτό το σενάριο επιβεβαιωθεί, η επενδυτική αξία θα διαχυθεί σε πολύ περισσότερα σημεία της αλυσίδας: από τους κατασκευαστές προσωπικών υπολογιστών και mobile chips έως τις εταιρείες μνήμης, λογισμικού και έξυπνης δρομολόγησης. Η αναμέτρηση βρίσκεται ακόμη στην αρχή της. Οι επενδυτές που θα αντιμετωπίσουν την τεχνητή νοημοσύνη ως ένα ενιαίο και αδιαφοροποίητο επενδυτικό στοίχημα κινδυνεύουν να παραβλέψουν τις σημαντικές μετατοπίσεις που ήδη συντελούνται στο εσωτερικό του κλάδου.